關(guān)鍵詞

心電圖；人工智能；機(jī)器學(xué)習(xí)；冠心病

引用格式

魏子豫，劉興鵬.人工智能心電圖診斷冠心病的研究進(jìn)展[J].實(shí)用心電學(xué)雜志，2022，31(6)：381-385.DOI：10.13308/j.issn.2095-9354.2022.06.001

WEI Ziyu, LIU Xingpeng.Research progress of artificial intelligence-enabled ECG in diagnosing coronary artery diseases[J].Journal of Practical Electrocardiology,2022，31(6)：381-385.DOI：10.13308/j.issn.2095-9354.2022.06.001

      心電圖通過(guò)放置于體表特定位置的電極記錄心臟電活動(dòng)，具有無(wú)創(chuàng)、便捷、經(jīng)濟(jì)等優(yōu)點(diǎn)，是當(dāng)今臨床應(yīng)用最廣泛的檢查方法之一。冠心病（coronary artery disease，CAD）已累及全球1.72%的人口，每年造成900萬(wàn)人死亡。及時(shí)、準(zhǔn)確地判讀心電圖，對(duì)冠狀動(dòng)脈（簡(jiǎn)稱冠脈）病變的診斷和治療具有重要意義。現(xiàn)有標(biāo)準(zhǔn)多基于不同導(dǎo)聯(lián)的QRS波群和ST-T改變判斷冠脈病變的性質(zhì)、程度及部位，要求醫(yī)師具有扎實(shí)的專業(yè)知識(shí)基礎(chǔ)及豐富的臨床經(jīng)驗(yàn)，且心電圖的變化足以被肉眼識(shí)別。自20世紀(jì)70年代起，計(jì)算機(jī)自動(dòng)化輔助判讀系統(tǒng)開(kāi)始用于心電圖機(jī)，它可以對(duì)采集的心電圖進(jìn)行精確的即時(shí)測(cè)量和分析，并出具診斷報(bào)告。但是，該診斷報(bào)告基于人工讀圖的識(shí)別模式及預(yù)先定義的規(guī)則，常常無(wú)法捕捉到心電圖復(fù)雜而細(xì)微的異常，誤診率仍較高。

      人工智能是一種模仿人類智能行為的計(jì)算機(jī)技術(shù)，其應(yīng)用已涉及心血管內(nèi)科的眾多領(lǐng)域，心電圖方面的研究更是熱點(diǎn)之一。與傳統(tǒng)的計(jì)算機(jī)自動(dòng)化輔助判讀系統(tǒng)相比，應(yīng)用人工智能的心電圖分析具有更高的準(zhǔn)確性和工作效率。其實(shí)，以數(shù)字化格式存儲(chǔ)的心電圖數(shù)據(jù)正是人工智能深度學(xué)習(xí)的理想樣本。人工智能算法能夠極大地提高臨床醫(yī)師對(duì)心電圖的分析能力，甚至可以識(shí)別人眼難以察覺(jué)的特征，為其實(shí)現(xiàn)診斷價(jià)值的最大化提供了可能。

      人工智能心電圖（artificial intelligence-enabled ECG, AI-ECG）是指將人工智能算法應(yīng)用于心電圖分析的技術(shù)，可輔助醫(yī)生進(jìn)行診斷、鑒別診斷、臨床決策等。機(jī)器學(xué)習(xí)是人工智能的一種實(shí)現(xiàn)方式，通過(guò)對(duì)樣本數(shù)據(jù)的不斷重復(fù)，識(shí)別（即“學(xué)習(xí)”）其中隱含的規(guī)律，并將任務(wù)轉(zhuǎn)化為數(shù)學(xué)問(wèn)題以尋求最優(yōu)解。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)方向，它通過(guò)模仿人腦的神經(jīng)元和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建多層神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)數(shù)據(jù)之間的關(guān)系。常用的深度學(xué)習(xí)算法包括人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）、長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory network, LSTM）等。與基于預(yù)先定義的規(guī)則進(jìn)行判讀的心電圖機(jī)輔助系統(tǒng)相比，AI-ECG利用輸入的心電圖及其診斷訓(xùn)練算法，并通過(guò)重復(fù)驗(yàn)證自動(dòng)調(diào)整參數(shù)，從而達(dá)到更高的診斷效能。

2.1  心肌梗死的識(shí)別

      2014年，SAFDARIAN等率先利用290例心肌梗死患者的心電圖，比較了多種模型的分類效能，其中樸素貝葉斯（Naive Bayes）具有最高的分類準(zhǔn)確率（94.7%），概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network, PNN）則在心肌梗死定位中表現(xiàn)更好（76.67%）。ACHARYA等利用有噪聲和無(wú)噪聲的心電圖分別訓(xùn)練并驗(yàn)證了一個(gè)CNN模型，準(zhǔn)確率分別達(dá)到93.5%和95.2%。此后，多項(xiàng)研究通過(guò)增加卷積層數(shù)量、與其他算法相結(jié)合等方法，不斷提高AI-ECG的工作效能。LIU等將CNN與雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（bidirectional long short-term memory network, BLSTM）相結(jié)合開(kāi)發(fā)了一種模型，將敏感性和特異性分別提高至99.97%和99.54%。

      除了直接從心電圖中提取波形特征的傳統(tǒng)模型，還有研究嘗試通過(guò)結(jié)合其他數(shù)據(jù)處理方法，將時(shí)間、空間等因素引入算法。2018年，COSTA等將濾除干擾后的290份標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖轉(zhuǎn)化為心電向量圖數(shù)據(jù)，再利用相空間重構(gòu)尋找心臟電活動(dòng)順序的變化參數(shù)，使心肌梗死檢測(cè)的敏感性和特異性分別達(dá)到92%和96%；在各亞組中，對(duì)下壁心肌梗死的識(shí)別能力最差，準(zhǔn)確率為73.07%，特異性僅53.84%，可能與造成心電活動(dòng)軌跡改變的其他因素（如纖維化）有關(guān)。STRODTHOFF等利用CNN模型得出了相似的結(jié)論：其判斷前壁心肌梗死和下壁心肌梗死的特異性相近，但對(duì)前壁心肌梗死的敏感性更高（0.980 vs. 0.894）。原因可能是前壁梗死心肌更靠近胸壁，胸前導(dǎo)聯(lián)能夠收集到更豐富的信息。此外，相比于僅有目標(biāo)定位診斷的心電圖訓(xùn)練集，包含所有診斷的訓(xùn)練集能使模型達(dá)到更高的工作效能。

      目前，冠脈造影術(shù)（coronary angiography, CAG）是明確冠脈病變的金標(biāo)準(zhǔn)，但設(shè)備成本、輻射風(fēng)險(xiǎn)及侵入操作等因素限制了其臨床應(yīng)用。近年的研究開(kāi)始探索應(yīng)用心電圖識(shí)別梗死相關(guān)血管的可能性。LE等掃描了紙質(zhì)的標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖，通過(guò)龐加萊模式集成方法把每個(gè)導(dǎo)聯(lián)的信號(hào)時(shí)長(zhǎng)擴(kuò)展至10 s，再利用得到的心電向量圖信號(hào)提取描述心電向量空間和時(shí)間特征的參數(shù)。該研究模仿CAG對(duì)累及血管的識(shí)別順序設(shè)計(jì)了一個(gè)分類樹(shù)，首先區(qū)分患者及健康對(duì)照組；若用輸入的心電圖診斷心肌梗死，則依次區(qū)分右冠脈（RCA）、左前降支（LAD）、左回旋支（LCX）和無(wú)法定位（E）。測(cè)試中支持向量機(jī)算法判斷梗死相關(guān)血管的平均準(zhǔn)確率超過(guò)88%，區(qū)分LAD和LCX的準(zhǔn)確率達(dá)到93.67%。WU等利用臨床收集的883例患者的資料，開(kāi)發(fā)了一個(gè)將CNN和LSTM相結(jié)合的模型，其診斷急性ST段抬高型心肌梗死（ST-segment elevation myocardial infarction, STEMI）的ROC曲線下面積AUC值達(dá)1.00。確定梗死相關(guān)血管時(shí)，模型對(duì)LAD較敏感，而區(qū)分LCX和RCA的準(zhǔn)確率略低于醫(yī)師判讀（0.71 vs.0.84），可能與訓(xùn)練不足有關(guān)。BOUZID等建立的隨機(jī)森林模型識(shí)別LAD、LCX、RCA和其他罪犯血管的AUC值分別達(dá)0.82、0.84、0.85、0.85；該文獻(xiàn)分析提出，糖尿病、CAD病史及T波輕微改變是影響模型分類的因素，而以多支血管病變?yōu)橹鞯恼鎸?shí)世界資料不利于分類模型的訓(xùn)練。

      2016年ACHARYA等首次提出了單導(dǎo)聯(lián)心電圖診斷心肌梗死的設(shè)想，其嘗試提取心電圖的多個(gè)非線性特征，用于訓(xùn)練一個(gè)利用標(biāo)準(zhǔn)12導(dǎo)聯(lián)中任一導(dǎo)聯(lián)獨(dú)立檢測(cè)心肌梗死的算法。測(cè)試中，V₅導(dǎo)聯(lián)表現(xiàn)最好，敏感性、特異性分別達(dá)99.45%、96.27%；V₃導(dǎo)聯(lián)區(qū)分梗死區(qū)域的平均準(zhǔn)確率可達(dá)98.74%，以檢測(cè)下后壁心肌梗死的準(zhǔn)確率最高（99.97%）。GIBSON等利用8 511份來(lái)自真實(shí)世界的心電圖訓(xùn)練了一個(gè)CNN模型，測(cè)試發(fā)現(xiàn)V₂導(dǎo)聯(lián)單獨(dú)檢測(cè)STEMI的總體效能最高（準(zhǔn)確率90.5%，敏感性86%，特異性94.5%）。以上兩項(xiàng)研究均未發(fā)現(xiàn)導(dǎo)聯(lián)的診斷效能差異與心肌梗死區(qū)域定位的關(guān)系，可能與其不同于人工識(shí)圖規(guī)則的復(fù)雜的算法識(shí)別原理有關(guān)。CHO等開(kāi)發(fā)了一種CNN模型，其中內(nèi)嵌的算法可基于6個(gè)肢體導(dǎo)聯(lián)重建6個(gè)胸前導(dǎo)聯(lián)的心電圖圖形，使之識(shí)別STEMI的效能與基于標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖相當(dāng)（敏感性84.7% vs. 83.3%，特異性92.1% vs. 96.2%），優(yōu)于僅基于6個(gè)肢體導(dǎo)聯(lián)或心電圖機(jī)自動(dòng)判讀。該模型對(duì)LAD、LCX和RCA等梗死相關(guān)血管均有較好的識(shí)別效能，其AUC值分別為0.895、0.932、0.945，與標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖相比稍低。如將這類算法內(nèi)置于可穿戴或便攜設(shè)備，則有望實(shí)現(xiàn)對(duì)高危患者（糖尿病、非典型胸痛的女性或高齡患者）的遠(yuǎn)程監(jiān)護(hù)。

2.2  急性冠脈綜合征的識(shí)別

      急性冠脈綜合征（acute coronary syndrome, ACS）是心血管內(nèi)科最常見(jiàn)的急癥，若未能及時(shí)識(shí)別和治療，患者可能發(fā)生猝死等嚴(yán)重事件。ACS患者心電圖可出現(xiàn)T波倒置、ST段抬高、病理性Q波等多種非特異性改變，甚至在部分患者中也可無(wú)明顯異常。由于急診工作量大、時(shí)間緊迫等原因，難免有診斷差錯(cuò)發(fā)生。LIU等開(kāi)發(fā)了一種深度學(xué)習(xí)模型，對(duì) STEMI的診斷準(zhǔn)確率高于優(yōu)秀醫(yī)師，敏感性、特異性分別達(dá)到98.4%和96.9%；診斷急性非ST段抬高型心肌梗死（non-ST-segment elevation myocardial infarction, NSTEMI）的AUC值可達(dá)0.877，結(jié)合心肌肌鈣蛋白I（cardiac troponin I, cTnI）診斷時(shí)AUC值可達(dá)0.978。該團(tuán)隊(duì)基于這一模型開(kāi)發(fā)了一個(gè)報(bào)警系統(tǒng)AI-S，可在心電圖自動(dòng)上傳的10 s內(nèi)進(jìn)行風(fēng)險(xiǎn)評(píng)分，并結(jié)合病史及后續(xù) cTnI、心電圖演變更新評(píng)分，及時(shí)提醒值班醫(yī)師關(guān)注高風(fēng)險(xiǎn)患者。該單中心前瞻性隊(duì)列研究證實(shí)，AI-S對(duì)STEMI的識(shí)別準(zhǔn)確率高達(dá)100%，識(shí)別NSTEMI的敏感性較低（62.1%），但特異性很高（99.96%）。AI-S的應(yīng)用使獲得心電圖至決定CAG的耗時(shí)中位數(shù)從6.0 min縮短至4.0 min（P<0.01），平均入院至球囊擴(kuò)張（door-to-balloon，D-to-B）時(shí)間從69 min縮短至61 min。這是AI-ECG首次應(yīng)用于臨床，證明AI-S可以提供快速、準(zhǔn)確的心電圖診斷，為急診患者的臨床處置提供支持。

      WU等利用268例胸痛患者的心電圖訓(xùn)練ANN模型，以區(qū)分NSTEMI和心絞痛，其敏感性和特異性分別達(dá)到90.91%和93.33%。該研究還提出了9個(gè)與NSTEMI獨(dú)立相關(guān)的預(yù)測(cè)因子，分別是心血管危險(xiǎn)因素、血紅蛋白、收縮壓、PR間期、校正的QT間期（QTc）、谷草轉(zhuǎn)氨酶、谷丙轉(zhuǎn)氨酶、肌酸激酶同工酶和心肌肌鈣蛋白。AL-ZAITI等使用來(lái)自EMPIRE隊(duì)列（n=1 244）的心電圖進(jìn)行訓(xùn)練及驗(yàn)證，聯(lián)合梯度提升機(jī)、邏輯回歸和ANN三種算法開(kāi)發(fā)了一個(gè)機(jī)器學(xué)習(xí)模型，其預(yù)測(cè)ACS事件的AUC值為0.82，顯著高于心電圖專家（0.67）和商業(yè)軟件（0.62）；其預(yù)測(cè)NSTEMI的AUC值達(dá)0.78，即便患者隱瞞胸痛病史，也不會(huì)降低其診斷效能。該模型同時(shí)具有較高的陰性預(yù)測(cè)值（0.94），假陰性病例出現(xiàn)的原因包括過(guò)度基線漂移、頻繁早搏、心動(dòng)過(guò)速和左心室肥厚。

2.3  慢性冠脈綜合征的評(píng)估

      多項(xiàng)利用CNN、深度神經(jīng)網(wǎng)絡(luò)及多種算法相結(jié)合的模型，對(duì)慢性冠脈綜合征（chronic coronary syndrome, CCS）進(jìn)行了準(zhǔn)確判讀。近年來(lái)，數(shù)項(xiàng)研究嘗試進(jìn)一步對(duì)CCS累及血管及其病變嚴(yán)重程度進(jìn)行預(yù)測(cè)。ALIZADEHSANI等結(jié)合標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電圖、病史、輔助檢查結(jié)果篩選了一系列特征，模型對(duì) CCS主要累及的冠脈分支（狹窄>50%）的識(shí)別準(zhǔn)確率分別達(dá)到LAD 86.43%，LCX 83.67%，RCA 82.67%。HUANG等從兩家醫(yī)院共收集了5 311份心電圖，利用CNN算法提取CCS患者的心電圖特征，再對(duì)多種模型進(jìn)行測(cè)試，其中Inception V₃對(duì)CCS可達(dá)到0.900±0.012的識(shí)別準(zhǔn)確率， 識(shí)別LAD、LCX、RCA病變的AUC值則分別為0.966±0.010、0.948±0.014、0.978±0.010。LEASURE等嘗試訓(xùn)練商業(yè)機(jī)器學(xué)習(xí)軟件ECGio，用于判斷冠脈主要分支的狹窄程度。該研究納入1 659例心絞痛患者，以4支主要血管[左主干（LM）、LAD、LCX和RCA]中病變最嚴(yán)重者為標(biāo)準(zhǔn)，根據(jù)直徑狹窄率（diameter stenosis, DS）分為輕度（DS≤30%）、中度（30%<DS<70%）和重度（DS≥70%）；模型總體敏感性為95.1%，特異性為96.7%，其中，模型對(duì)中度CAD的分類最準(zhǔn)確，判斷LM狹窄程度的誤差最小。

      除了識(shí)別CAD患者，還有研究把納入標(biāo)準(zhǔn)擴(kuò)大至其他心血管疾病。LIH等訓(xùn)練了一個(gè)CNN-LSTM結(jié)合模型，區(qū)分健康對(duì)照、心肌梗死、CAD和充血性心力衰竭的心電圖，其敏感性和特異性分別達(dá)到98.51%和97.89%。這提示AI-ECG輔助心血管疾病的鑒別診斷具有一定的可行性。

      早期研究多使用PTB Physionet Datebase、Z-Alizadeh  SaniDataset等公開(kāi)數(shù)據(jù)庫(kù)，由于受樣本量所限，這些研究常常采用多倍交叉驗(yàn)證的測(cè)試方法，而重復(fù)訓(xùn)練可使模型產(chǎn)生對(duì)同一個(gè)體圖像的適應(yīng)性，導(dǎo)致模型的準(zhǔn)確率等性能被高估。近年來(lái)，更多研究從真實(shí)世界獲取心電圖等臨床資料，樣本量的擴(kuò)大使模型的訓(xùn)練及評(píng)估更為可靠。各醫(yī)療中心所使用的心電圖機(jī)并不統(tǒng)一，采集和處理信號(hào)的過(guò)程有所不同，可能會(huì)造成心電圖波形的微小差異，影響模型的訓(xùn)練與判讀。此外，心電圖的時(shí)長(zhǎng)過(guò)短、干擾明顯等采集缺陷，以及復(fù)雜的臨床情況（如合并傳導(dǎo)阻滯、解剖異常）均會(huì)限制模型的訓(xùn)練效果。未來(lái)需要臨床醫(yī)師和算法工程師進(jìn)一步加強(qiáng)合作，建立更多高質(zhì)量的大規(guī)模數(shù)據(jù)庫(kù)，并在不違背倫理原則的前提下保證信息的安全共享，從而實(shí)現(xiàn)對(duì)AI-ECG更全面和深入的探索。

      此外，AI-ECG能從復(fù)雜的輸入信息中自動(dòng)提取特征，從而訓(xùn)練為高效的分類機(jī)器，但其工作方式和原理很難為人類完全理解。這使得模型成為一個(gè)“黑匣子”，因此，在某種程度上限制了我們對(duì)這些模型的編輯和應(yīng)用。加之現(xiàn)有的AI-ECG研究多為回顧性研究，缺少能夠證實(shí)深度學(xué)習(xí)模型實(shí)際效能的前瞻性研究，尤其是臨床醫(yī)療中的實(shí)踐。因此，AI-ECG的應(yīng)用價(jià)值尚需更多循證醫(yī)學(xué)證據(jù)的支持。

      AI-ECG在CAD的診斷與鑒別診斷、心血管風(fēng)險(xiǎn)預(yù)測(cè)、臨床決策支持等多個(gè)方面均表現(xiàn)出了巨大的潛力，但是，由于種種原因，目前 AI-ECG 的開(kāi)發(fā)還在起步階段，并且面臨著倫理、成本、技術(shù)缺陷等問(wèn)題。隨著這一技術(shù)的迅速發(fā)展及上述問(wèn)題得到解決，人工智能將會(huì)對(duì)CAD的診療產(chǎn)生更加深刻的影響。